Как я проверял хакатон или несколько советов для победы🥚

Вчера закончился хакатон МТС True Tech 2025 и так уж получилось, что я был одним из людей, кто смотрел решения по стриму Integration Platform. Тут будет несколько советов для того, чтобы вашу реализацию оценили по функционалу и креативности.

1⃣ Сделайте так, чтобы ваше решение можно было максимально просто проверить🕺
Поскольку все чаще хакатоны начинают решать проблемы бизнеса, а не просто получения максимального скора на сгенерированных данных, то больший вес начинает играть функционал. И чем проще его проверить, тем лучше. Ребята, у которых был стенд и ссылка, проверка была сразу и это дает некое преимущество в плане впечатления(после 10 проверки просто глаз замыливается). И это несмотря на то, что указаний для сайта не было, был обязательным только docker.

2⃣ Не делайте дополнительные фишки пока не реализовали основную задачу😠
Тут я приведу наглядный пример. Насколько бы у вас не был няшный дизайн, крутых доп фичей и мегасупер креативности, если у вас не будет основного функционала, то это будет выглядеть, как феррари без двигателя. Не просто так люди придумывают и ставят задачу, для компании она имеет смысл, поэтому реальное решение без красивой обложки может быть оценено выше, чем фантик от конфетки.

3⃣ Постарайтесь использовать все ресурсы компании, которые вам дают🧠
В таких кейсах важно сделать решение прикладным и, конечно, очень круто, когда оно работает на gpt 4o, но для компании это ставится менее ценным, так как зачастую ты не можешь подавать конфиденциальные данные на сторону. Поэтому есть смысл хотя бы попытаться и указать это в Readme или на питче решений команды.

Насколько вам нравится такой формат постов, где я рассказываю что-то из своего опыта?)

❤️ - очень нравится
😈 - больше постов про nlp, llm и собеседований

#Petprojects #Computer_vision #13дней

Где-то месяц назад я был на Union Meetup, где познакомился с Володей. В моменте я не успел с ним плотно познакомится, а самое интересное я начал узнавать из его тг-канала. Помимо того, что он ведет очень крутой образ жизни, так и у него есть афигенный бот Емеля. Он по фотографии может определять калорийность продуктов, что очень помогает в подсчете КБЖУ и 100% будет полезна тем, кто следит за питанием.

Так вот о чем я... Если уже есть реализация калорийности, почему нам не пойти чуть дальше и по фото находить артикулы вещей по WB. У этого проекта точно есть бизнес-значимость, да и клиентскую базу мы быстро найдем(от простых обывателей до стилистов, дизайнеров и перекупов). Ну что ж, давайте писать MLSD💗

1⃣ Формулировка проблемы
ML-задача: гибридная система
🧍 Обнаружение одежды на любом фото — YOLOv8
📦 Поиск похожих вещей из базы WB — через эмбеддинги
🖼 Дополнительно: сравнение самих изображений (image similarity metrics)
Итоговая метрика — комбинируем сходство в фичах и визуальную близость
Ввод: любое фото с человеком
Вывод: топ-N максимально похожих вещей из Wildberries

2⃣ МетрикиmAP (YOLOv8)
Top-K Accuracy (поиск по базе)
Perceptual similarity (LPIPS / SSIM)
Скорость отклика
blended score (эмбеддинг + визуал)
3⃣ Архитектура системы
Пайплайн такой:
Пользователь отправляет фото
Бот → backend
Backend:
YOLOv8 находит вещи
Из каждой — кроп
Кропы → эмбеддинги (CLIP / ConvNeXt)
Быстрый top-N поиск по базе (FAISS)
Для кандидатов — сравнение картинок через LPIPS / SSIM
Итог: top-3 самых похожих вещей
Модули:
detector.py: YOLOv8 инференс
embedder.py: CLIP / ConvNeXt
index.py: FAISS
similarity.py: визуальное сравнение (LPIPS, SSIM)
re_ranker.py: пересчёт итоговой метрики
wb_parser.py: загрузка каталога WB
bot.py, server.py: интерфейс и API

4⃣ Сбор и подготовка данных
YOLOv8: размечаем датасет одежды с разных фото (street / соцсети / fashion lookbooks)
WB база:
Скачиваем карточки
Фотки товаров → эмбеддинги
Храним оригиналы для сравнения
Фокус: обогащать базу и следить за качеством карточек

5⃣ Feature Engineering
Resize + нормализация кропов
CLIP эмбеддинг → быстрая фильтрация
LPIPS / SSIM между оригинальным кропом и картинками-кандидатами
Комбинированная метрика:
score = α * similarity_in_features + β * image_similarity

6⃣ Обучение и оценка
YOLOv8: дообучаем под задачи детекции одежды
CLIP / ConvNeXt: pretrained
Ручная проверка выдачи: насколько "похоже" выглядит подбор


7⃣ Telegram API
Пользователь просто шлёт фото — и получает:
🧍список вещей на фото
🔗 артикулы + кнопки WB
🔄 “Похожие”, “Подобрать капсулу”, “Запомнить”

8⃣ Деплой и обновление
FastAPI + Docker
Хостинг: Railway или VPS
Регулярное обновление базы артикулов
Мониторинг качества: фидбэк от юзеров

❤️ - Сделать MLSD по LLM

#Petprojects #Classic_ML #14дней

В последнее время люди, которые только готовятся пойти на стажку в ML, очень часто забивают на pet-projects, заменяя их хакатонами. Как по мне это большое упущение, поэтому я написал 5 постов(ML-system-doc) на каждую из сфер ML(classic, nlp, CV, RL, recsys). Надеюсь, что вам понравится такой формат💗

Первый проект можно считать классикой - предсказание аренды на жилье в Москве. Еще полгода назад я столкнулся с тем, что цены в Циан не очень соответствуют сезонности. Поэтому тут это проект.

1⃣ Формулировка проблемы
ML-задача: регрессия (прогноз числового значения — аренда/мес)
Запрос от пользователя: https://www.cian.ru/rent/flat/
Ответ от бота:
По нашему прогнозу, справедливая цена аренды этой квартиры — 72 000 ₽ в месяц. Объявленная цена завышена на 14%.


2⃣ Метрики
RMSE / MAE — классика для оценки качества регрессии
R² — для понимания "насколько хорошо мы объясняем данные"
Процент отклонения от реальной цены (если есть ground truth)


3⃣ Архитектура системы
Схема взаимодействия:
1. Пользователь отправляет ссылку на квартиру
2. Telegram-бот → backend
3. Backend:
Парсит сайт (например, ЦИАН или Авито)
Извлекает характеристики квартиры
Преобразует фичи
Прогоняет через ML-модель
Возвращает прогноз и комментарий

Компоненты:
parser.py: парсинг HTML страницы, извлечение признаков
featurizer.py: преобразование признаков
model.pkl: обученная модель (например, CatBoost)
bot.py: Telegram API (через python-telegram-bot)
server.py: FastAPI backend (для API запросов)

4⃣ Сбор и подготовка данных
Источник: парсинг сайтов объявлений (ЦИАН, Авито)
Фичи:Район / метро, площадь, кол-во комнат, Этаж / этажность, тип дома, год постройки, наличие мебели, ремонта и т.д.

5⃣ Feature Engineering
Категориальные фичи: one-hot / target encoding
Гео-признаки: расстояние до центра / метро
Текст: ключевые слова из описания
Признаки из HTML (например, "свежий ремонт", "панорамные окна")

6⃣ Разработка модели и оффлайн-оценка
Модели:baseline — Linear Regression
Бустинг — LightGBM / CatBoost
CV: по району или дате публикации
Валидация на отложенных квартирах

7⃣ Интеграция с Telegram API 🕺Бот слушает команды:
/predict https://www.cian.ru/rent/flat/

Отправляет ссылку на backend
Получает и форматирует ответ:
✅ Справедливая цена
📈 Отклонение
📍 Район / метро
🧱 Характеристики квартиры


8⃣ Деплой, мониторинг и обновления
FastAPI-сервер → Docker-контейнер
Хостинг: Railway / Render / VPS
Мониторинг: лог ошибок парсера, частота запросов, время ответа
Обновление модели: периодический запуск пайплайна с новыми данными
Кэширование популярных ссылок (по id квартир)

❤️ - Сделать MLSD по CV

#прикольные_выходные

🔵 2:1 ⭐️(овертайм)

В первый раз в жизни попал на игру плейофф КХЛ. Втб арена очень крутая, болельщики просто машины, вся арена шумит)

Надеюсь, что Динамо выйдет в следующий круг и я ещё раз схожу на их домашнюю игру💗

Модели ранжирования в тексте👌

На работе я сталкивался со многими сторонами поиска чего-либо в тексте, одно из них - модели ранжирования. Зачастую их использование дает наибольший прирост в метрики, также можно использовать в качестве второй модели в ансамбле(например, Faiss и bm25). Далее будет общий рассказ про каждый из методов:

1. TF-IDF (Term Frequency-Inverse Document Frequency)
TF-IDF — это классический метод ранжирования, который оценивает важность слова в документе на основе его частоты (TF) и обратной частоты в коллекции документов (IDF). Чем чаще слово встречается в документе и реже в коллекции, тем выше его вес.

Плюсы:

✅Простота реализации и интерпретации.
✅Хорошо работает для базовых задач поиска.
✅Эффективен для выделения ключевых слов.

Минусы:

❌Не учитывает порядок слов или контекст.
❌Предполагает независимость терминов, что не всегда верно.
❌Чувствителен к длине документа без нормализации.
2. BM25

BM25 — это эволюция TF-IDF, добавляющая нормализацию длины документа и насыщение термина (уменьшение влияния чрезмерно частых слов). Использует вероятностный подход для ранжирования.

Плюсы:

✅Учитывает длину документа, что делает его более справедливым.
✅Эффективен для поиска в реальных коллекциях (например, веб-поиске).
✅Хорошо настраивается через параметры (k1, b).

Минусы:

❌Требует подбора параметров для конкретной задачи.
❌По-прежнему игнорирует семантические связи между словами.
❌Может быть менее эффективен для коротких запросов.
3. Divergence from Randomness (DFR)

DFR — это модель, основанная на измерении отклонения наблюдаемого распределения терминов от случайного. Использует концепцию "риска" для оценки релевантности документа запросу.

Плюсы:

✅Теоретически обоснован, учитывает случайность распределения терминов.
✅Гибкость за счет различных вариантов реализации (например, INE, PL2).
✅Хорошо работает с неоднородными коллекциями.

Минусы:

❌Более сложен в реализации и понимании.
❌Требует вычислительных ресурсов для больших коллекций.
❌Чувствителен к выбору параметров нормализации.
4. Language Models (LM)

Модели языка оценивают вероятность генерации запроса документом, используя статистические языковые модели. Часто применяются с сглаживанием (например, Dirichlet, Jelinek-Mercer).

Плюсы:

✅Учитывает вероятностную природу языка.
✅Может интегрировать контекст и порядок слов.
✅Хорошо адаптируется к задачам с естественным языком.

Минусы:

❌Требует больших вычислительных ресурсов для обучения и работы.
❌Зависит от качества сглаживания и размера коллекции.
❌Сложнее настраивать и интерпретировать.
Выбор алгоритма зависит от задачи: для простых случаев достаточно TF-IDF, для поиска в вебе — BM25, для специфичных коллекций — DFR, а для семантического анализа — LM.

Сверху будет представлен ноутбук для практического понимания🧂

Надеюсь вам понравится этот формат постов, обязательно ставьте реакции и пишите комменты💗

Наконец-то нормальное применение gpt💗

@eboutdatascience

Ребятушки, сейчас не так часто пишу посты в тг канал, но тут вышла моя первая статья в блоге 🥚, думаю вам понравится: https://habr.com/ru/companies/ru_mts/articles/892654/


Посты скоро вернутся💗

#наподумать #47 #142

Уже середина марта, а значит самое время для написания курсовых, дипломов и так далее😓. И преподы практически во всех вузах требуют соблюдения ГОСТа, но для меня это было всегда мукой, так как не очень сильно хотелось в этом разбираться. Поэтому я сделал небольшой класс, который форматирует ваш курсач👍(в файле).

Также попробовал сделать с определенной темой(Оптимизация архитектур нейронных сетей с помощью AutoML фреймворк automl MLFlow) и генерацией llm🌟. Результаты можете увидеть в прикрепленном файле. Думаю при лучшем промпте и llm, а также структуре, можно будет писать работы за 10 минут🤨

❤️ - обернуть в тг-бота
🏆 - почаще бы такие посты

Девушки, с праздником вас! 💐

IT_ONE Cup. ML Challenge от IT_ONE и Sk FinTech Hub — создай AI-ассистента, который будет помогать в работе дизайнерам, системным и бизнес-аналитикам. Участвуй онлайн с 12 по 29 апреля и поборись за 1 500 000 рублей.

Регистрация открыта до 11 апреля

Твоя формула победы:
✅ Умеешь работать с готовыми моделями машинного обучения и адаптировать их под специфические задачи.
✅ Знаешь, как реализовать сложные системы на базе LLM и генеративных моделей.
✅ Готов создавать комплексные решения для автоматизации процессов. 

Также приглашаем Backend и Frontend-разработчиков, системных и бизнес-аналитиков, UI/UX-дизайнеров. Участвуй онлайн соло или командой до 5 человек. 

Задачи IT_ONE Cup. ML Challenge:
🔤 Динамические контекстные подсказки для системного аналитика.
🔤 AI-генератор дизайн-макетов по описанию требований.
🔤 Система визуализации BPMN-диаграмм.

4 апреля приходи на митап с экспертами соревнования — задай вопросы и узнай больше о задачах. 

Организатор – IT_ONE. Компания создает проекты любой сложности: от поддержки приложения до разработки концептуальной бизнес-архитектуры.
🔤 250+ реализованных проектов для государственных и крупных коммерческих заказчиков.
🔤 2500+ сотрудников работают над цифровизацией и автоматизацией процессов.
🔤 Современный стек технологий. 
🔤 Организаторы крутых соревнований и мероприятий для IT-специалистов. 

Создай AI-ассистента, который облегчит выполнение рабочих задач — регистрируйся на IT_ONE Cup. ML Challenge

#Инструменты Kubernetes📶

Для начала хотелось бы разобраться что это такое и с чем его есть. Kubernetes – это система оркестрации контейнеров, которая автоматизирует развертывание, масштабирование и управление приложениями. Но чем же он отличается от Docker?

Docker предназначен для создания, упаковки и запуска контейнеров. Он обеспечивает изоляцию приложений и их зависимостей, делая приложения переносимыми и легко воспроизводимыми на любом устройстве.


Kubernetes занимается автоматическим масштабированием, балансировкой нагрузки, обновлениями и восстановлением после сбоев, обеспечивая стабильную работу приложений в распределённой среде.

То есть docker скорее для запуска отдельных контейнеров, а kuber для управления их работы на уровне кластера.

С курсами тут все немного сложнее, чем у docker, но все-таки я нашел пару штук, которые кажутся наиболее релевантными:
1. Kubernetes для пользователей, курс отлично подойдет для новичков и понимая, но смущает отсутствие практики
2. Основы kubernetes, а вот уже курс на ютубе, с очень классным автором, и кучей практики, которую можно самому пощупать
3. Три курса по основам kuber от kube.academy(тут все под vpn) - тут собрано практически все, что вам нужно знать, так что дерзайте

Надеюсь, данный пост вам был полезен, и вы сможете улучшить свои навыки🫡
Всех обнял, приподнял💗

#Инструменты Docker✅

Docker медленно, но очень верно становится обязательным приложением для Data Science(особенно, в связке в kuber). Возможность сохранять особенности своего окружения, при этом разворачивать проекты на своем устройстве делает Docker на 1000 процентов обязательный для человека в IT😍

Поэтому в этом посте я собрал бесплатные материалы для изучения, для тех, кто давно хотел, но руки не доходили:
1. Karpov.cources
Классный курс, сам его проходил (буквально пару недель назад), немного душноват ну а как еще с docker
2. Docker для начинающий на Stepik + практический опыт
3. Docker, GIT и Gitlab CI для начинающих от преподавателей МФТИ
4. Ну и куда же без хабра

Надеюсь, данный пост вам был полезен, и вы сможете улучшить свои навыки🫡
Всех обнял, приподнял💗

#срочные_завозы

Такс, после того, как я поучаствовал в бизнес-папке каналов тг в IT, мне захотелось собрать ахринительных ребят и сделать папку именно про ML, для того, чтобы контент в ней соответствовал запросам моей аудитории. Вот ссылка, на которую надо обязательно подписаться: https://t.me/addlist/VdbBEEpHXgU1MTYy

Самые полезные посты ребят, которые надо обязательно прочитать:
1. Уничтожение собесов и полный пайплайн от Димы🥂
2. Интересный роадмап по быстрому вкатыванию в датасаенс и отдельные посты (1, 2, 3, 4,) по ботке разных дисциплин от Саши 🐕
3. Захар про свой стартап Audio2MIDI, который за месяц набрал 4к пользователей🥂

В каналах еще кучу интересного, так что подписка обязательна💗

#Личное Моя стажировка в 🥚

Сражу скажу, этот пост мое личное отношение к стажировке, потому что за полгода, помимо работы, у меня была учеба и переезд. Так что очень важно оценивать по себе)

Офис👀
Мой офис расположен на станции метро Технопарк и честно это один из лучших офисов, в котором я был. На каждом этаже есть какие-то приколюхи, по типу PlayStation, библиотеки, массажные кресла или Вкусвилла.

Что было, когда я пришел🗿
МТС считается молодой IT-компанией и мы были одними из первых стажеров по ML(кстати, позиции ML developer до сих пор не существует). Кстати, к MST AI, которые в последнее время радуют нас моделями и разработками, мы не имеем доступа, так как это отдельная юридическая компания. Поэтому в начале приходилось больше просто узнавать, чем сразу браться за проекты

Специфика моей команды😁
Одним из главных отличиев нашей команды было то, что она состояла только из стажеров. И у этого есть две стороны медали: с одной стороны, мы получили огромный опыт и кучу знаний, с другой, приходилось все узнавать сразу в бою, было допущено кучу ошибок и проекты шли непозволительно долго.

Мои советы💪
Изучите Docker, промпт-инжениринг, fast-api, kuber, как развернуть llm на сервере и пользоваться ей

Мой путь, куда я иду дальше🥂
На даный момент я(middle developer) продолжаю изучать RAG, немного ушел в графы, а следующие полгода буду изучать много DE. В планах научится руководить всеми процессами разработки, далее закончить ШАД и немного углубится в backend😃

Главное, запомните, нетворкинг ваше все, с ним будет намного проще💗

#kaggle Соревнование по баскетболу

Наконец-то дождались!) Пришло время предсказывать исходы матчей по баскетболу, и за малейшую погрешность в прогнозах можно даже выиграть деньги (привет, 1xbet🤡)

Что мы предсказываем?🤨
Мы будем угадывать результаты Мартовского безумия – самого масштабного студенческого баскетбольного турнира в США. В отличие от России, где студенческий баскетбол не привлекает столько внимания, в США этот турнир собирает полные арены, миллионы зрителей и миллионы разговоров.Наша задача – предсказать исходы каждого возможного матчапа между командами, используя богатейший архив исторических данных как для мужских, так и для женских соревнований.

Метрика🤔
Оценка прогнозов производится по Brier Score – метрике, эквивалентной среднеквадратичной ошибке. Чем ниже твоя ошибка, тем выше твоя позиция на лидерборде

Данные😏
Исторический архив игр NCAA: Мужские турниры с 1985 года и женские с 1998
Подробная статистика:Результаты регулярных сезонов и турнирных игр, детальные боксовые счета, данные по местоположению игр, сезонные параметры и многое другое

Если точно уверены, что будете ботать этот месяц, то жду вас в лс, уверен, что смогу помочь команде залутать медальку или свести с нужными людьми💪

❤️ - радует Kaggle в последнее время соревнованиями
🏆 - вперед за медалькой

#стажировки

Ну что ж, уже через 3 недели весна, а значит самое время подаваться на стажки. Для себя я выделил 9 компаний, по которым постарался собрать максимально возможную информацию.

1. Сбер😌
Есть общая волна подачи стажировок Sber seasons(начинается в марте), в которой очень сложно дойти до финальных собесов(скорее возьмут тех, у кого есть рефер родственники в компании), поэтому попробовать стоит, но не сильно). Как альтернативное предложение поиск на сайте. Тут и по вакансиям больше ясности, плюс нет потоков и дат.

2. Альфа😸
Пока даты набора тут тоже нет, но они обычно стартуют в апреле. Стажировки в Альфе советую смотреть в их канале. Тут они лучше их расписывают (задачи и команды), да и лаборатория Альфы будет явно интереснее.

3. Тиньков😓
Только закончился зимний набор и в скором времени должны всем прийти приглосы на собес. Новый набор стартует в апреле, главное не забудьте указывать их курсы, если вы их проходили.

4. Яндекс🦆
Тут все по-старому, контест только обновился, всем удачи и держитесь) Не забывайте про их тг канал, там, например, выходил пост про ML-стажировки.

5. VK🤨
Тут без наборов, берут под отдельные вакансии. Вакансий нет, поиска и системы рекомендаций тоже.

На самом деле, единственный и главный совет, который я могу вам дать - это ищите hr, знакомьтесь с ними, и через узнавайте про вакансии. Это сохранит вам кучу нервов от прохождений контестов и ожиданий результатов.

❤️ - Отличный пост, самое время включаться
🔥 - Обзор на стажировку в 🥚

#один_процент🤨

Не всегда нужно быть в два раза лучше, чтобы получить в два раза больше. Достаточно быть на 1% лучше — и это преимущество с каждым днем будет давать результат😰.

Это правило объясняет, как минимальные, но стабильные улучшения могут привести к потрясающим результатам в любой области жизни. Не важно, будь то бизнес, спорт или личное развитие, малое преимущество в долгосрочной перспективе имеет огромную силу. Постоянные усилия, даже на маленькие доли процента, со временем превращаются в значительный результат.

Маленькие шаги, большие результаты🤦‍♂
Каждый день становясь на 1% лучше, вы через год будете уже на 37% успешнее. Эти небольшие улучшения постепенно складываются в грандиозные изменения.

Конкуренция😛
Тот, кто делает чуть больше, чем остальные, начинает накапливать преимущество. Это не значит, что нужно делать невероятные усилия. Все, что нужно — это каждый день быть немного лучше.

Принцип «Победитель забирает всё»💪
Когда вы удерживаете это преимущество, то каждая победа становится не просто результатом, а дополнительным бонусом, который будет приносить вам ещё больше дивидендов в будущем.


🤪 - ооооо, я стану лучшей версией себя, спасибо мотивационным роликам из shorts

❤️ - все-таки рабочая схема

Всем привет!

Мы собрали мощную подборку чатов, где тусуются разработчики, команды и эксперты, двигающие IT-индустрию вперед. Здесь делятся крутыми разработками, инсайтами и опытом, который сложно найти в открытом доступе.

📂 Папка с каналами доступна по ссылке

Не упусти шанс стать частью сильного IT-комьюнити! 🔥

Хакатон «Система Хак: Нижний Новгород» — разработайте технологическое решение социальной проблемы при поддержке Благотворительного фонда «Система». Общий фонд поддержки — 750 000 рублей.

Регистрация — до 13 февраля: https://cnrlink.com/systemhacknnmlnik

Формат участия — онлайн или офлайн. Приглашаем команды от 2 до 6 человек: специалистов по Data Science, ML-инженеров, разработчиков, аналитиков данных. Для участия больше половины команды должно быть на площадке очно.

На хакатоне предстоит решить важную социальную проблему под слоганом «Программируем без границ». Эксперты расскажут об инклюзии в IT и разработке сервисов, которые будут комфортны и доступны всем пользователям.

Закрепить знания на практике можно в одной из задач соревнования.

Трек 1. Общение без барьеров. Требуется разработать решение для сервиса МТС Линк, которое повысит доступность онлайн-встреч и устранит языковые преграды в образовании. Для этого необходимо внедрить функции преобразования речи в текст, автоматического перевода и синтеза речи в режиме реального времени.

Трек 2. Удобный дом. Нужно улучшить приложение, управляющее многоквартирным домом. Ваша разработка должна сделать сервис комфортнее для всех жильцов. Например, автоматически вызвать консьержа для человека в инвалидном кресле или отследить по камерам, кто занял его место.

Почему стоит участвовать
🔸 Фонд поддержки – 750 000 рублей.
🔸 Работа над решением, которое сделает жизнь многих людей удобнее.
🔸 Нетворкинг с разработчиками и ML-экспертами МТС и других ведущих IT-компаний.
🔸 Практика работы со SpeechToText, распознаванием изображений и другими технологиями искусственного интеллекта.
🔸 Мерч в подарок всем очным участникам соревнования в Нижнем Новгороде.

Расписание хакатона
▪️ 7 февраля — митап с экспертами хакатона.
▪️ 13 февраля — закрытие регистрации.
▪️ 15 февраля — старт соревнования.
▪️ 16 февраля — загрузка решений, питчинг и награждение победителей.

Регистрируйтесь до 13 февраля и программируйте без границ на хакатоне «Система Хак: Нижний Новгород»: https://cnrlink.com/systemhacknnmlnik

Реклама. Благотворительный фонд «Система». ИНН 7704510770. erid: 2W5zFGqFR5i

#Что_там с мл в футболе💗?)

Когда я увидел эту вакансию, понял, что моя жизнь никогда не станет прежней. Соединить то, чем ты занимался с 7 лет, со своей основной работой — звучит невероятно. Так где там нужен ML и чем мы можем помочь Арсеналу в завоевании чемпионства?)

1. Поиск талантов🤨
Самая сложная и одновременно простая работа, в которую идеально вписывается ИИ. Мы можем взять футбольную команду до 16 лет, оборудовать их датчиками движения и анализировать данные. Благодаря машинному обучению, агентам не нужно будет летать по всему миру, так как все ключевые моменты можно будет отслеживать через видео игры и данные с датчиков. Конечно, окончательный выбор будет за агентами, но процесс отбора станет гораздо более точным.

2. Следить за здоровьем игроков😏
ИИ может анализировать данные, связанные с физиологическими параметрами игроков, что позволяет футбольным специалистам принимать более обоснованные решения для улучшения здоровья, повышения выносливости и готовности к матчам. Модели МО могут помочь выявить параметры, которые влияют на физическое состояние и благополучие игроков, что дает возможность тренерам корректировать тренировки для оптимальных результатов.


3. Использование МО для тактики: Обучение с подкреплением🥂
В тактическом анализе футбольных команд можно использовать методы обучения с подкреплением, когда агент взаимодействует с окружающей средой (поле) и принимает решения на основе наблюдений. Например, система может обучаться оптимальной тактике в реальном времени, учитывая переменные, такие как позиции игроков, изменение ситуации на поле и даже стиль игры соперников. Это позволяет развивать динамичные и эффективные стратегии, применимые в реальных матчах.

4. SWOT-анализ для футбольных команд🐕
Внедрение МО в футбольную тактику можно оценить с помощью SWOT-анализа, который поможет выделить сильные и слабые стороны стратегии, выявить возможности для роста и угрозы. Это позволяет футбольным клубам более эффективно использовать возможности ИИ и улучшать слабые стороны, а также минимизировать риски.

❤️ - Наконец-то прикладной пост
🏆 - Пошли выигрывать ЛЧ

#Что_там с ML в dating-приложениях💗?)

Приложение для знакомств в идеальном мире не дает вам возможности смахивать или выбирать. Оно просто берет кучу информации о вас, а затем представляет вам оптимального партнера. С помощью ML мы можем повысить вероятность успешного свидания и оказать поддержку в отношениях.

Что я предлагаю:
1. Заполнение анкеты через агента, при этом динамически генерируя вопросы😁
Система создает уникальные, контекстно-зависимые вопросы на основе предыдущих ответов. Этот адаптивный опрос позволяет сделать процесс оценки более интересным и показательным. По мере того, как пользователи дают ответы, ИИ анализирует эти ответы, чтобы генерировать все более индивидуальные и проницательные последующие вопросы. Этот динамический подход помогает раскрыть тонкие аспекты личности, которые могут быть упущены статическими анкетами.

2. Общение с агентом😳
Обязательное общение с llm поможет сделать адаптивную классификацию личности. Вместо того, чтобы полагаться на жесткие категории, ИИ анализирует целые разговоры, чтобы предоставить тонкие интерпретации личностей пользователей. Эта функция выходит за рамки простого сопоставления шаблонов, используя расширенную обработку естественного языка для понимания контекста, тона и тонких языковых сигналов(для этого желательно анализировать еще и видеоконтент)

3. Моделируемые взаимодействия👀
Представьте себе LLM, обученного на всех ваших прошлых взаимодействиях во время свиданий, включая ваши шутки, идиосинкразии и личные анекдоты. Затем эта персонализированная модель ИИ будет помещена в моделируемые взаимодействия с моделями ИИ потенциальных партнеров. Проведя сотни таких смоделированных свиданий, система сможет предоставить не только простую оценку соответствия, но и:

Рекомендацию «идти/не идти» для поиска реального свидания
Индивидуальные стратегии для первого свидания на основе смоделированных взаимодействий
Понимание потенциальных областей совместимости и конфликта

4. Лингвистический и поведенческий анализ🤨
Анализируя использование языка, настроения и выбор тем в разговорах пользователей с приложением (и потенциально с другими пользователями), мы можем построить комплексные профили личности. Этот подход включает:

Создание профилей личности
Сопоставление на основе IQ, общительности и других производных черт
Постоянное обновление профилей для отражения постоянного личностного роста и изменений пользователей


❤️ - делаем агента для знакомств
😂 - а агент вместо тебя на свидание идет?)